语言大模型 / LLM

SortingHat: Redefining Operating Systems Education with a Tailored Digital Teaching Assistant

SortingHat: 用定制的数字教学助手重新定义操作系统教育

Yifan Zhang, Xinkui Zhao, Zuxin Wang, Zhengyi Zhou, Guanjie Chen, Shuiguang Deng, Jianwei Yin

机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对操作系统课程教学挑战，提出结合检索增强生成和多智能体强化学习的3D数字人教学助手SortingHat，提供个性化指导、自适应内容生成和自动评估。

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025,Pages 2951 - 2954

GiPL: Generative augmented iterative Pseudo-Labeling for Cross-Domain Few-Shot Object Detection

GiPL: 用于跨域小样本目标检测的生成增强迭代伪标签方法

Jiacong Liu, Shu Luo, Yikai Qin, Yaze Zhao, Yongwei Jiang, Yixiong Zou

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 领域大模型 ：language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 提出GiPL双分支训练框架，通过迭代伪标签自训练和生成数据增强，解决跨域小样本目标检测中支持集利用不足和过拟合问题。

Comments CVPR 2026 Workshop

CVEvolve: Autonomous Algorithm Discovery for Unstructured Scientific Data Processing

CVEvolve：面向非结构化科学数据处理的自主算法发现

Ming Du, Xiangyu Yin, Yanqi Luo, Dishant Beniwal, Songyuan Tang, Hemant Sharma, Mathew J. Cherukara

机构 * Argonne National Laboratory（阿贡国家实验室） ； Advanced Photon Source（先进光子源） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 提出CVEvolve，一种零代码自主智能体框架，通过多轮搜索与工具集成，自动发现用于非结构化科学数据处理的算法，并在多个任务上超越基线方法。

Bridging the Domain Divide: Supervised vs. Zero-Shot Clinical Section Segmentation from MIMIC-III to Obstetrics

弥合领域鸿沟：从MIMIC-III到产科的监督式与零样本临床章节分割

Baris Karacan, Barbara Di Eugenio, Patrick Thornton

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 通过构建产科笔记数据集、评估基于Transformer的监督模型和首次与零样本大语言模型对比，发现监督模型在域内表现强但域外下降显著，而零样本模型在修正幻觉后展现出稳健的域外适应性。

Comments 14 pages. Camera-ready version accepted at LREC 2026; includes minor revisions and an appendix. To appear in the conference proceedings

Journal ref Proceedings of the 2026 Language Resources and Evaluation Conference (LREC 2026), pages 2594-2607, Palma, Spain. ELRA 2026

Deep Interest Mining for Intent-Enriched Semantic IDs in Multimodal Generative Recommendation

面向多模态生成式推荐中意图增强语义ID的深度兴趣挖掘

Yangchen Zeng, Jinze Wang

机构 * Amazon（亚马逊） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 提出DeepInterestGR框架，通过视觉线索和意图描述符丰富量化前的物品表示，并结合相关性门控语义奖励，提升基于语义ID的生成式推荐性能。

ExpertGen: Scalable Sim-to-Real Expert Policy Learning from Imperfect Behavior Priors

ExpertGen: 从非完美行为先验的可扩展仿真到现实专家策略学习

Zifan Xu, Ran Gong, Maria Vittoria Minniti, Kausik Sivakumar, Ahmet Salih Gundogdu, Eric Rosen, Riedana Yan, Tushar Kusnur, Zixing Wang, Di Deng, Peter Stone, Xiaohan Zhang, Karl Schmeckpeper

机构 * Robotics and AI Institute（机器人与人工智能研究院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony AI（索尼人工智能） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出ExpertGen框架，通过扩散策略初始化行为先验并结合强化学习优化噪声，在仅稀疏奖励下生成高质量专家策略，实现从仿真到现实的可扩展迁移。

Bridging What the Model Thinks and How It Speaks: Expressive Speech Generation via Self-Aware Intent-Realization Alignment

弥合模型所想与所言之间的鸿沟：通过自我意识意图-实现对齐的富有表现力的语音生成

Kuang Wang, Lai Wei, Ping Lin, Qibing Bai, Wenkai Fang, Li Zhou, Feng Jiang, Zhongjie Jiang, Jun Huang, Yannan Wang, Haizhou Li

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tencent Ethereal Audio Lab（腾讯虚实音频实验室） ； Southeast University（东南大学） ； Zhejiang University（浙江大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

专题命中 领域大模型 ：language model(abstract)；SLM(abstract_cn)；分类 cs.CL

AI总结 提出SASLM框架，通过自蒸馏意图和自奖励优化，无需外部标注即可弥合语义理解与声学实现之间的差距，实现富有表现力的语音生成。

Comments Submitted to EMNLP 2026. Project page: https://wangkevin02.github.io/SASLM/

Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation

重新思考科学建模：迈向物理一致且可模拟执行的程序化生成

Yongqing Jiang, Jianze Wang, Zhiqi Shen, Zhenghong Lin, Jiayuan Wang, Yijian Yang, Kaoshan Dai, Haoran Luo

机构 * Sichuan University（四川大学） ； Nanyang Technological University（南洋理工大学） ； Fuzhou University（福州大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对大型语言模型在工程建模中生成代码的物理不一致问题，提出结合领域知识构建、约束对齐和验证驱动的框架，并引入CivilInstruct数据集和MBEval基准，通过两阶段微调提升模型生成的可执行性和物理一致性。

Reliable Multilingual Orthopedic Decision Support from Clinical Narratives: Language-Aware Adaptation and Verification-Guided Deferral

来自临床叙述的可靠多语言骨科决策支持：语言感知适应与验证引导的延迟

Danish Ali, Li Xiaojian, Sundas Iqbal, Farrukh Zaidi

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Software, Nanjing University of Information Science and Technology (NUIST)（南京信息工程大学软件学院） ； Department of Orthopedic, Bahawal Victoria Hospital（巴哈瓦尔维多利亚医院骨科部门） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 针对低资源医疗环境中的多语言骨科决策支持，提出结合语言感知适配编码器IndicBERT-HPA和确定性选择性验证层的可靠性框架，在英语、印地语和旁遮普语临床文本分类中取得最优性能。

Domain-Specific Data Synthesis for LLMs via Minimal Sufficient Representation Learning

基于最小充分表示学习的大语言模型领域特定数据合成

Tong Ye, Hang Yu, Tengfei Ma, Xuhong Zhang, Jianguo Li, Peng Di, Peiyu Liu, Jianwei Yin, Wenhai Wang

机构 * vivo AI Lab（vivo人工智能实验室） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出DOMINO框架，通过对比解耦学习最小充分领域表示，指导生成领域对齐的合成数据，在隐式领域定义下提升微调性能。

Comments Accepted by KDD 2026

Organizational Adaptation to Generative AI in Cybersecurity

组织对生成式人工智能在网络安全中的适应

Christopher Nott

机构 * Independent Researcher, United States（美国独立研究者） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本研究通过分析2022至2025年的25项研究，采用定性方法探讨组织如何通过修改框架和混合操作流程适应生成式AI，发现成熟基础设施、监管压力和人力资本投资是成功的关键，同时指出攻防能力不平衡等挑战。

Comments 38 pages, 1 table, 1 figure Revised title, abstract, and formatting for journal submission, corrected heading numbers, no substantive changes in content

CCS: Clinical Consensus Selection for Radiology Report Generation

CCS：放射学报告生成的临床共识选择

Xi Zhang, Yingshu Li, Zaiqiao Meng, Jake Lever, Edmond S. L. Ho

机构 * School of Computing Science, University of Glasgow（格拉斯哥大学计算机科学学院） ； School of Electrical and Computer Engineering, University of Sydney（悉尼大学电气与计算机工程学院） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出CCS框架，通过采样多个候选报告并选择临床共识最高的一个，以改进放射学报告生成在推理时的质量。

Comments 17 pages, 6 figures

MEMENTO: Leveraging Web as a Learning Signal for Low-Data Domains

MEMENTO: 利用网络作为低数据领域的学习信号

Ashutosh Ojha, Vinay Aggarwal, Ashutosh Srivastava, Siddharth Yedlapati, Yaman K Singla, Jitendra Ajmera

机构 * Adobe, Media & Data Science Research Lab（Adobe媒体与数据科学研究实验室） 纠错

专题命中 领域大模型 ：instruction tuning(abstract)；prompting(abstract)；分类 cs.AI

AI总结 提出MEMENTO框架，通过自适应探索树和双通道记忆将网络作为学习信号，在低数据专业领域（销售自动化和法律研究）中显著提升性能。

AfriScience-MT: Towards Decolonizing Science in Africa through Text Translation

AfriScience-MT：通过文本翻译实现非洲科学去殖民化

Idris Abdulmumin, Tajuddeen Gwadabe, Shamsuddeen Hassan Muhammad, David Ifeoluwa Adelani, Nomonde Khalo, Ibrahim Said Ahmad, Abiodun Modupe, Anina Mumm, Sibusiso Biyela, Michelle Rabie, Johanna Havemann, Marek Rei, Jade Abbott, Vukosi Marivate

机构 * Data Science for Social Impact, University of Pretoria（数据科学与社会影响，南非比勒陀利亚大学） ； Masakhane Research Foundation（马萨克纳研究基金会） ； Imperial College London（伦敦帝国理工学院） ； Mila, McGill University（麦吉尔大学Mila实验室） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； University of Cape Town（开普敦大学） ； University of Wisconsin - Stevens Point（威斯康星大学斯蒂文斯点分校） ； Independent Consultant（独立顾问） ； University of South Africa（南非大学） ； Independent Researcher（独立研究员） ； Access 2 Perspectives ； Lelapa AI（Lelapa人工智能） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 针对非洲语言缺乏科学术语的问题，构建包含6种非洲语言、11个科学领域的平行语料库AfriScience-MT，并评估机器翻译和大型语言模型在零样本、少样本和微调设置下的性能。

Expertise elevates AI usage: experimental evidence comparing laypeople and professional artists

专业知识提升AI使用：比较普通人和专业艺术家的实验证据

Thomas F. Eisenmann, Andres Karjus, Mar Canet Sola, Levin Brinkmann, Bramantyo Ibrahim Supriyatno, Iyad Rahwan

机构 * Center for Humans and Machines, Max Planck Institute for Human Development（人类与机器中心，马克斯·普朗克人类发展研究所） ； Tallinn University（塔林大学） ； Estonian Business School（爱沙尼亚商学院） ； Academy of Media Arts Cologne（科隆媒体艺术学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 通过实验比较50位专业艺术家和普通人使用生成式AI进行图像复制和创意生成的表现，发现艺术家的专业技能迁移到AI使用中，在复制准确性和发散思维上均优于普通人，而GPT-4o在创意任务上平均略优于艺术家但未超越最佳人类。

Comments Eisenmann and Karjus contributed equally to this work and share first authorship

Journal ref International Journal of Human-Computer Interaction, 2026, pp 1-22

Trends in AI and Human-AI Interaction in Clinical Trials -- A Hybrid Human-AI Exploration

临床试验中AI与人机交互的趋势——一种混合人机探索

Sandra Woolley, Tim Collins, Khalid Khattak, Illia Chernomorets, Ariane Arevalo, Chris Richardson

机构 * Keele University, UK（英国凯利大学） ； Manchester Metropolitan University, UK（英国曼彻斯特 Metropolitan 大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究通过分析ClinicalTrials.gov注册库中的记录，揭示了AI相关临床试验的时间趋势和地理分布，并探索了一种混合人机方法用于分析注册试验中的人机交互趋势。

Comments 8 pages plus 2 pages references and appendix

ClinicBot: A Guideline-Grounded Clinical Chatbot with Prioritized Evidence RAG and Verifiable Citations

ClinicBot：基于指南的临床聊天机器人，具有优先证据RAG和可验证引用

Navapat Nananukul, Mayank Kejriwal

机构 * USC Information Sciences Institute（USC信息科学研究所） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出ClinicBot系统，通过结构化提取指南、按临床重要性排序证据和多智能体协作，生成准确、可验证的临床回答。

AIBuildAI-2: A Knowledge-Enhanced Agent for Automatically Building AI Models

AIBuildAI-2：一种用于自动构建AI模型的知识增强智能体

Ruiyi Zhang, Peijia Qin, Qi Cao, Li Zhang, Pengtao Xie

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学系） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对现有自动构建AI模型的智能体因依赖大语言模型静态参数知识而性能受限的问题，提出AIBuildAI-2，通过引入分层、可进化的外部知识系统，动态加载相关上下文，实现设计决策的专家知识支撑，在MLE-Bench上取得70.7%奖牌率并在心脏病预测竞赛中排名前6.6%。

Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams

更小、更年轻、更具影响力：AI辅助写作如何改变研究团队

Haoyang Wang, Mingze Zhang, Yi Bu, Star Xing Zhao, Meijun Liu

机构 * School of Information, University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院） ； National Science Library, Chinese Academy of Sciences（中国科学院国家科学图书馆） ； Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences（中国科学院大学经济管理学院信息资源管理系） ； Department of Information Management, Peking University（北京大学信息管理系） ； Institute of Big Data, Fudan University（复旦大学大数据研究院） ； Institute for Global Public Policy, Fudan University（复旦大学全球公共政策研究院） ； Faculty of Finance, City University of Macau（澳门城市大学金融学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究利用2020年以来的PLoS和Nature系列期刊全文，通过多种回归方法发现AI辅助写作使研究团队更年轻、规模更小，且不影响甚至提升科学影响力。

LLMs are not (consistently) Bayesian: Quantifying internal (in)consistencies of LLMs' probabilistic beliefs

LLMs 并非（一致地）贝叶斯：量化 LLMs 概率信念的内部（不）一致性

Chacha Chen, Matthew Jörke, Adam Goliński, Masha Fedzechkina, Guillermo Sapiro, Sinead Williamson, Nicholas Foti

机构 * Apple（苹果公司） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 本文引入信息处理差距来研究 LLMs 在更新概率信念时的内部不一致性，发现非贝叶斯启发式更新在下游任务中常优于精确贝叶斯计算，表明 LLMs 的世界概率模型存在错误设定。

ExTax: Explainable Disinformation Detection via Persuasion, Emotion, and Narrative Role Taxonomies

ExTax：基于说服、情感和叙事角色分类学的可解释虚假信息检测

Shang Luo, Yingguang Yang, Zhenchen Sun, Yang Liu, Bin Chong, Jingru Chen, Yancheng Chen, Jiayu Liang, Kefu Xu, Hao Peng, Philip S. Yu

机构 * Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； North China University of Science and Technology（华北理工大学） ； Tsinghua University（清华大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Soochow University（苏州大学） ； Beihang University（北航） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 提出ExTax框架，统一说服修辞、情感操纵和叙事角色为17维分类空间，通过熵驱动动态标签平滑和多头注意力融合分类与上下文特征，实现可解释的虚假信息检测，在跨域基准上达到0.8456 Macro F1。

Weasel: Out-of-Domain Generalization for Web Agents via Importance-Diversity Data Selection

Weasel: 通过重要性-多样性数据选择实现Web智能体的域外泛化

Fatemeh Pesaran Zadeh, Seyeon Choi, Xing Han Lù, Siva Reddy, Gunhee Kim

机构 * Seoul National University（首尔国立大学） ； McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute（蒙特利尔AI研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 提出Weasel方法，通过优化平衡单步重要性与状态、网站、交互模式成对多样性的目标，选择固定预算的轨迹子集，结合目标中心AXTree剪枝和风格一致理由替换，提升Web智能体离线训练的域外泛化性能并降低训练成本。

Comments ICML 2026. Code is released at https://github.com/fatemehpesaran310/weasel

Med-CoReasoner: Reducing Language Disparities in Medical Reasoning via Language-Informed Co-Reasoning

Med-CoReasoner: 通过语言感知的协同推理减少医学推理中的语言差异

Fan Gao, Sherry T. Tong, Jiwoong Sohn, Jiahao Huang, Junfeng Jiang, Ding Xia, Piyalitt Ittichaiwong, Kanyakorn Veerakanjana, Hyunjae Kim, Qingyu Chen, Edison Marrese Taylor, Kazuma Kobayashi, Akiko Aizawa, Irene Li

机构 * The University of Tokyo（东京大学） ； ETH Zürich（苏黎世联邦理工学院） ； National Institute of Informatics（日本信息处理学会） ； Siriraj Informatics and Data Innovation Center（Siriraj信息与数据创新中心） ； Yale University（耶鲁大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出Med-CoReasoner框架，通过并行英语和本地语言推理、结构化概念抽象及概念级对齐与检索，将本地临床知识整合到英语逻辑框架中，以缩小医学推理中的多语言差距，在MultiMed-X基准上平均提升5%的多语言推理性能。

NSF-SciFy: Mining the NSF Awards Database for Scientific Claims

NSF-SciFy：从NSF资助数据库中挖掘科学主张

Delip Rao, Weiqiu You, Eric Wong, Chris Callison-Burch

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 领域大模型 ：language model(abstract)；prompting(abstract)；分类 cs.CL

AI总结 提出NSF-SciFy数据集，从40万篇NSF摘要中提取280万条科学主张，通过零样本提示联合提取主张和研究提案，并在三个下游任务中微调语言模型取得显著提升。

Comments ACL 2026. 19 pages, 7 figures, 11 tables

Double Triangle Annotation: A Scalable Human-in-the-Loop Framework for High-Precision Historical Document Annotation

双三角形标注：一种可扩展的人机协同高精度历史文档标注框架

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出双三角形标注框架，通过两层人机协同和跨模型共识自动完成大部分标注工作，实现高精度历史文档结构化信息提取。

Comments 12 pages, 4 figures. ACL ARR 2026 March submission

Guess the Unified Model: How Much Can We Recover from Generated Images?

猜猜统一模型：从生成的图像中我们能恢复多少？

Jasin Cekinmez, Ryo Mitsuhashi, Addison J. Wu, Yida Yin

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文研究统一模型生成图像的可分离性，通过七个模型的大量图像实验，发现模型归因高度可行，且语义内容对可分离性有贡献但非主导信号。

ECG-R1: Protocol-Guided and Modality-Agnostic MLLM for Reliable ECG Interpretation

ECG-R1: 协议引导且模态无关的可靠心电图解读多模态大语言模型

Jiarui Jin, Haoyu Wang, Xingliang Wu, Xiaocheng Fang, Xiang Lan, Zihan Wang, Deyun Zhang, Bo Liu, Yingying Zhang, Xian Wu, Hongyan Li, Shenda Hong

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； National Institute of Health Data Science, Peking University（北京大学健康数据科学国家研究院） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Tianjin Institute of Cardiology, the Second Hospital of Tianjin Medical University（天津医科大学第二医院心内科） ； National University of Singapore（新加坡国立大学） ； Jarvis Lab, Tencent（腾讯 Jarvis实验室） ； HeartVoice Medical Technology（HeartVoice医疗科技） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出ECG-R1，通过协议引导数据生成、模态解耦架构和强化学习，实现可靠的心电图解读。

Comments Accepted to ICML 2026

TaBIIC2: Interactive Building of Ontological Taxonomies using Weighted Self-Organizing Maps

TaBIIC2：使用加权自组织映射交互式构建本体分类

Mathieu d'Aquin

机构 * LORIA, CNRS, Université de Lorraine（LORIA研究所、法国国家科学研究中心、洛林大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种工具，通过加权自组织映射聚类方法，支持用户逐步交互式地从表格数据中构建概念分类，并定义概念的内涵，平衡了纯手动分析与自动方法。

Generating Legal Commentaries from Case Databases via Retrieval, Clustering, and Generation

通过检索、聚类和生成从案例数据库中生成法律评论

Max Prior, Niklas Wais, Matthias Grabmair

机构 * Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 提出一个全自动流水线，利用检索、聚类和生成方法，从法院判决中自动生成法律评论，无需人工教义框架。

When Skills Don't Help: A Negative Result on Procedural Knowledge for Tool-Grounded Agents in Offensive Cybersecurity

当技能无济于事：关于程序性知识在进攻性网络安全中工具型智能体的负面结果

Samuel Jacob Chacko, James Hugglestone, Chashi Mahiul Islam, Xiuwen Liu

机构 * Florida State University（佛罗里达州立大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文通过重新分析一项控制实验，发现当环境反馈带宽高时，技能（Skills）对智能体性能的边际效益消失甚至产生负面影响，并提出了可证伪的假设。

Comments Accepted as a poster at ACM CAIS 2026 AgentSkills Workshop